예시 답변 1
약 90초
모델 이해 결 → 적용 자리 결 → 성과 결 → 한계 결
Collaborative Filtering과 임베딩 모델을 활용한 경험은 학과 추천 시스템 프로젝트에서 왔습니다. 영화 평점 데이터를 기반으로 사용자별 추천 목록을 생성하는 프로젝트였습니다. 모델 이해 자리에서는 User-Based CF와 Item-Based CF의 차이를 먼저 이해했습니다.
사용자 간 유사도를 기준으로 추천하는 방식과 아이템 간 유사도를 기준으로 하는 방식이 데이터 분포에 따라 성능이 달라집니다. 적용 자리에서는 희소 행렬 문제가 있어 MF(행렬 분해) 기반으로 전환했고, 이후 사용자·아이템 임베딩을 함께 학습하는 방향으로 확장했습니다. 성과 자리에서는 CF 대비 RMSE가 약 8% 개선됐고, 롱테일 아이템에 대한 추천도 일부 살아났습니다. 한계 자리에서는 데이터가 부족한 신규 사용자에게는 Cold Start 문제가 남았고, 콘텐츠 기반 보완 방법이 추가로 필요하다는 걸 확인했습니다.
이 결의 특징
CF에서 MF 기반으로 전환한 뒤 RMSE가 약 8% 개선됐다는 수치가 나온다. 단순 협업 필터 대비 롱테일 항목이 일부 살아났다는 분포 변화까지 함께 짚는 자리가 보인다.
이 결이 통하는 자리
추천 모델 선택 이유를 설명하는 자리에서 이 결이 작동한다. 수치 개선 폭과 잔존 한계를 동시에 밝히는 구조가 검증 감각으로 읽히며 과장하지 않는 흐름이 보인다.